Isolation Forest Explicable
Isolation Forest Explicable combina el algoritmo de detección de anomalías Isolation Forest con herramientas de explicabilidad post-hoc —más comúnmente SHAP (SHapley Additive exPlanations)— para no solo señalar observaciones anómalas, sino también revelar qué características impulsaron cada puntuación de anomalía. Une la detección de anomalías no supervisada con las demandas de interpretabilidad de dominios regulados y de alto riesgo.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. link ↗
- Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation forest. In Proceedings of the 8th IEEE International Conference on Data Mining (ICDM 2008), pp. 413–422. IEEE. DOI: 10.1109/ICDM.2008.17 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Explainable Isolation Forest (Isolation Forest with SHAP-based Interpretability). ScholarGate. https://scholargate.app/es/machine-learning/explainable-isolation-forest
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Detección de anomalías con autoencoderAprendizaje automático↔ compare
- Gradient Boosting ExplicableAprendizaje automático↔ compare
- Random Forest ExplicableAprendizaje automático↔ compare
- Isolation ForestAprendizaje automático↔ compare
- SVM de una claseAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →